oopsoplm/ai-detects-if-cve-was-zero-day

# 零日漏洞检测系统 v6.0 一个复杂的多 Agent AI 系统，通过使用跨 GPT-4o、DeepSeek v3 和 Llama 3.3-70B 的 4 个专用 LLM Agent 分析 CVE 描述来检测零日漏洞。 ## 🎯 核心创新 该系统解决了一个关键的网络安全挑战：确定漏洞在供应商知晓（零日漏洞）之前是否已在野外被利用，或者是已被负责任地披露。它采用顺序 Agent 分析，其中每个 Agent 都基于前一个 Agent 的发现进行构建，从而实现 >85% 的准确率。 ## 🏗️ 架构 ### 多 Agent 框架 1. **证据提取器 (GPT-4o)** - 权重：4.0 - 提取利用证据和时间指标 - 识别研究者归属和披露模式 2. **模式分析器 (DeepSeek v3)** - 权重：3.5 - 识别零日漏洞与负责任披露的模式 - 对指标进行从 -1.0 到 +1.0 的评分 3. **威胁分析师 (Llama 3.3-70B)** - 权重：3.0 - 分析威胁行为者和攻击活动 - 评估技术严重性和被利用的可能性 4. **决策者 (GPT-4o)** - 权重：2.0 - 将所有分析综合为最终分类 - 提供置信度分数和理由 ## 📊 Ground Truth 数据集 该系统针对 50 个精心挑选的 CVE 进行了验证： - **25 个已确认的零日漏洞**：包括 Log4Shell、EternalBlue、ProxyLogon - **25 个负责任披露的漏洞**：具有明确的研究者归属 ## 🚀 快速开始 ### 前置条件 - Python 3.8+ - OpenRouter API key（包含在 .env 中） ### 安装说明 ``` # Clone repository git clone https://github.com/lodetomasi/ai-detects-if-cve-was-zero-day.git cd ai-detects-if-cve-was-zero-day # 安装 dependencies pip install -r requirements.txt # 运行 system python main.py ``` ## 📈 性能表现 基于 Ground Truth 的目标指标： - **准确率 (Accuracy)**：>85% - **F1-Score**：>0.80 - **零日召回率 (Zero-Day Recall)**：>90%（最大限度减少假阴性） ## 📁 输出文件 1. **zero_day_detection_results.json**：完整的分析结果 2. **zero_day_detection_results.png**：四面板可视化 - 混淆矩阵 (Confusion Matrix) - ROC 曲线 - 精确率-召回率曲线 (Precision-Recall Curve) - 置信度分布 3. **detailed_report.txt**：人类可读的分析报告 ## 🔬 工作原理 1. **数据收集**：从 NVD API 和 CISA KEV 目录获取 CVE 数据 2. **顺序分析**：每个 Agent 在累积上下文的基础上分析 CVE 3. **加权评分**：基于 Agent 贡献的加权进行最终预测 4. **置信度校准**：为决策提供准确的置信度分数 ## 🎯 使用场景 - **安全运营**：根据零日漏洞的可能性确定补丁修补的优先级 - **威胁情报**：识别可能被 APT 利用的漏洞 - **风险评估**：量化未打补丁的零日漏洞带来的风险暴露 - **研究**：研究零日漏洞发现和披露的模式 ## 📊 核心功能 - **多模型共识**：利用不同 LLM 的优势 - **基于证据**：专注于具体的利用指标 - **模式识别**：区分不同的披露模式 - **可解释 AI**：为每个决策提供理由 ## 📄 许可证 MIT License - 详情请参阅 LICENSE 文件 ## 🙏 致谢 - National Vulnerability Database (NVD) - CISA Known Exploited Vulnerabilities (KEV) - OpenRouter 提供的 LLM 访问服务 **注意**：本系统仅供研究和防御目的使用。请务必通过多种来源验证关键的安全决策。

标签：DLL 劫持, Python, 人工智能, 多智能体, 大语言模型, 威胁情报, 开发者工具, 无后门, 漏洞分析, 用户模式Hook绕过, 路径探测, 逆向工具